製造業 AI 從哪裡開始？六類場景的選擇原則
從設備異常、品質檢測、文件查詢、排程與報表中，挑出資料成熟、能快速驗證的第一個場景。
先釐清：這個問題真正影響什麼
製造業的 AI 機會很多，但資料型態與現場限制差異很大。選題前要先確認訊號是否被收集、標記是否可靠、錯誤代價多高，以及結果能否回到現場流程。
核心判斷：若故障案例太少或資料未對時，先做資料收集與異常通知；不要直接承諾預測維護。把數位基礎補好，往往就是最有價值的第一期。
設計時應遵守的原則
- 先從已有數位資料的流程開始
- 影像檢測需要穩定拍攝條件與缺陷標記
- 預測維護需要足夠故障樣本，不是只有正常資料
- 管理報表與異常摘要通常比全自動控制更適合起步
可直接採用的執行步驟
- 盤點設備、MES、ERP、品檢與 Excel 資料
- 依頻率、損失與資料成熟度排序
- 選擇單一產線或單一料號做試點
- 保留現場人員覆核與回報入口
- 用良率、停機、工時或交期驗收
執行時應保留每一步的基準線、決策理由與結果，讓下一次擴大導入不必重新猜測。
決策提醒
若故障案例太少或資料未對時，先做資料收集與異常通知；不要直接承諾預測維護。把數位基礎補好，往往就是最有價值的第一期。
研究與政策來源
本文依下列官方框架、政策與研究重新整理，並轉化為可執行的企業導入方法。
常見問題
沒有 MES 可以做製造 AI 嗎？
若故障案例太少或資料未對時，先做資料收集與異常通知；不要直接承諾預測維護。把數位基礎補好，往往就是最有價值的第一期。 建議先以小範圍、可衡量的方式驗證，再依資料決定是否擴大。
品質檢測一定要使用大型深度學習模型嗎？
依應用情境、資料成熟度與風險而定。可先用本文的原則與步驟盤點，再把無法確定的部分列入 PoC 驗收。
先帶一個最卡的流程來聊
不用先準備完整規格。30 分鐘初談會先釐清問題、資料與預期成果，所有專案構想皆依 NDA 原則保密。
預約 30 分鐘初談